Развитие современного общества и ныне действующая модель производства товаров всё чаще ставятся под сомнение многочисленными кризисами, потрясающими современный мир. Столкнувшись с ростом населения и, следовательно, ростом потребности в продуктах питания, устойчивость сельскохозяйственного сектора становится всё более хрупкой. Эта система постоянно подвергается воздействию различных факторов: засухи, вызванные изменением климата, создают серьёзную угрозу доступности воды для сельскохозяйственных нужд; в то же время кризис в цепочке поставок сырья, также подталкивает к ограничению использования удобрений, имеющих принципиальное значение для сельского хозяйства. То, что известно, как «точное земледелие», играет ключевую роль в сокращении потерь этих ценных ресурсов и, следовательно, в переходе к более устойчивой модели сельскохозяйственного производства в долгосрочной перспективе. Широкое применение датчиков, следящих за состоянием почв и растительности, позволяет получить детальную информацию о сельскохозяйственных угодьях в режиме реального времени, что позволяет оптимизировать распределение ресурсов – воды и удобрений.
Интерес к этому сектору также подтверждается обновлениями европейской нормативно-правовой базы для сельского хозяйства, разработкой плана Европейского зелёного соглашения и определением Общей сельскохозяйственной политики, в рамках которых на инновационные сельскохозяйственные проекты было выделено 387 миллиардов евро.
Проект Genuine был разработан, чтобы предложить решение в области точного земледелия. Идея основана на синергии между технологическими секторами, получившими большое развитие в последние годы, такими как системы позиционирования и навигации (ГНСС), дистанционное зондирование и искусственный интеллект. Основная цель проекта, по сути, состоит в том, чтобы использовать эти технологии для представления сельскохозяйственных угодий, выделяя области, подверженные большему стрессу, а также для управления сельскохозяйственной техникой при работе в этих областях.
Во-первых, решение направлено на оптимизацию спутниковых изображений среднего-высокого разрешения (5-10 м) с помощью алгоритмов глубокого обучения сверхвысокого разрешения. Этот вид изображений недостаточно детализирован, чтобы подпадать под набор ресурсов и технологий точного земледелия; однако, обрабатывая необработанные изображения с помощью алгоритмов сверхвысокого разрешения, система может получать данные более высокого качества, что даёт пользователям два преимущества: ограниченную стоимость из-за возможности использования бесплатных изображений и отсутствие необходимости получать данные лично или с помощью экспертов (например, изображения, полученные с помощью дронов).
Во-вторых, решение включает в себя дальнейшую обработку спутниковых изображений, подвергнутых увеличению разрешения: путём обнаружения границ кадра с помощью алгоритмов глубокого обучения с целью выделения интересующей области из остальной части изображения; и путём объединения полос самих изображений для расчёта показателей здоровья растительности или индексов растительности.
После получения этих продуктов определяются участки сельскохозяйственных угодий, требующие наиболее срочного вмешательства.
На третьем и последнем шаге, после того как область, в которой должна работать сельскохозяйственная машина, и её путь определены, добавляется алгоритм обработки данных ГНСС, позволяющий машине перемещаться по маршруту с высокой точностью.
Предлагаемое решение является модульным в том смысле, что оно спроектировано и как законченный конвейер, и как набор функциональных возможностей, которые пользователь может использовать отдельно.
Источник: По материалам Automotive World
Короткая ссылка: vestnik-glonass.ru/~JPiA5
